Aby debugować model ML, musisz go debugować. Gdy model będzie już działać, zoptymalizujesz jego jakość pod kątem gotowości do produkcji. Ta sekcja zawiera informacje na temat debugowania i optymalizacji.
Czym różni się debugowanie systemów uczących się?
Zanim przejdziemy do debugowania systemów uczących się, ustalmy, co odróżnia modele debugowania od systemów uczących się od typowych programów. W przeciwieństwie do typowych programów niska jakość modelu systemów uczących się nie sugeruje obecności błędu. Aby debugować niską wydajność w modelu, badasz zakres przyczyny tak samo jak w przypadku tradycyjnego programowania.
Oto kilka możliwych przyczyn niskiej wydajności modelu:
- Funkcje nie mają możliwości prognozowania.
- Hiperparametry są ustawione na wartości nieoptymalne.
- Dane zawierają błędy i anomalie.
- Kod inżynierii cech zawiera błędy.
Debugowanie modeli systemów uczących się jest skomplikowane w zależności od czasu potrzebnego na przeprowadzenie eksperymentów. Debugowanie modeli systemów uczących się jest trudniejsze ze względu na dłuższe cykle iteracji i większą ilość miejsca na błędy.
Proces programowania modelu ML
Jeśli będziesz przestrzegać sprawdzonych metod tworzenia modelu ML, debugowanie modelu ML będzie prostsze. Oto sprawdzone metody:
- Zacznij od prostego modelu opartego na jednej lub dwóch funkcjach. Rozpoczęcie od prostego, łatwego do debugowania modelu pomaga zawęzić zakres możliwych przyczyn niskiej wydajności modelu.
- Pracuj nad modelem, testując różne funkcje i wartości hiperparametrów. Jak najprostsze debugowanie, dbaj o to, aby model był jak najprostszy.
- Zoptymalizuj model, wykonując te zmiany:
- dodawanie funkcji
- hiperparametry dostrajania
- zwiększanie rozmiaru modelu
- Po każdej zmianie modelu sprawdź jeszcze raz i sprawdź, czy jego jakość się poprawiła. Jeśli nie, debuguj model w sposób opisany w tym kursie.
- Stopniowo zwiększaj złożoność modelu, stopniowo i stopniowo.